JPWO2021018439A5 - - Google Patents
Download PDFInfo
- Publication number
- JPWO2021018439A5 JPWO2021018439A5 JP2022506318A JP2022506318A JPWO2021018439A5 JP WO2021018439 A5 JPWO2021018439 A5 JP WO2021018439A5 JP 2022506318 A JP2022506318 A JP 2022506318A JP 2022506318 A JP2022506318 A JP 2022506318A JP WO2021018439 A5 JPWO2021018439 A5 JP WO2021018439A5
- Authority
- JP
- Japan
- Prior art keywords
- volume
- acquisition
- generation method
- biomarker
- threshold
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000090 biomarker Substances 0.000 claims 27
- 238000000034 method Methods 0.000 claims 24
- 210000004072 lung Anatomy 0.000 claims 8
- 238000001914 filtration Methods 0.000 claims 7
- 238000011002 quantification Methods 0.000 claims 3
- 230000000241 respiratory effect Effects 0.000 claims 3
- 230000029058 respiratory gaseous exchange Effects 0.000 claims 3
- 230000011218 segmentation Effects 0.000 claims 3
- 101001107782 Homo sapiens Iron-sulfur protein NUBPL Proteins 0.000 claims 2
- 102100021998 Iron-sulfur protein NUBPL Human genes 0.000 claims 2
- 238000004364 calculation method Methods 0.000 claims 2
- 238000005315 distribution function Methods 0.000 claims 2
- 238000009499 grossing Methods 0.000 claims 1
- 238000000264 spin echo pulse sequence Methods 0.000 claims 1
- 230000001360 synchronised effect Effects 0.000 claims 1
Claims (23)
- -MRIシステムを用いて画像を取得し(ACQ);
-前記MRI画像を処理することによって肺の三次元画像を生成し(GEN 3D);
-前記取得された三次元画像の一部分の各ボクセルの異なるシグナル強度値の分布に対応する第1の関数(F1)を生成し(GEN F1);
-前記取得された三次元画像の一部の各ボクセルの少なくとも1つの第2の異なるシグナル強度値分布関数(F2、FA、Fg1、Fg2)から前記第1の関数(F1)の少なくとも1つのフィルタリング閾値(SA、S1、S2)を自動的に計算し(DET_S);
-以下を含むボリュームをセグメント化し(SEG):
・肺ボリュームに対応するメインボリューム(VP);
・第1の関数(F1)により定量化されたボクセルのボリュームを、少なくとも算出されたフィルタリング閾値(SA、S1)によりフィルタリングしたボリューム(VF)
-前記画像のボクセルのシグナル強度値の絶対値と少なくとも前記算出されたフィルタリング閾値とから、前記肺ボリュームの三次元画像の値を正規化し(SA、S1);
-正規化された分割ボリューム比を示すバイオマーカー(BIND)を生成する、
バイオマーカー生成方法。 - -MRI装置による三次元画像の取得(ACQ)が、以下のように構成され:
・T2重み付け;
・予め定義された閾値よりも大きいエコー時間(TE);
-少なくとも1つのフィルタリング閾値の自動計算(SA)は、以下を備える;
・基準ボリュームを取得し;
・基準ボリュームの各ボクセルの異なるシグナル強度値の分布(VAIR)に対応する基準関数(FA)を生成し、前記基準関数(FA)は、第2の分布関数(FA)であり;
・前記参照関数(FA)の標準偏差(σA)を計算し;
・算出された参照関数(FA)の標準偏差から、参照閾値(SA)と指定されたフィルタリング閾値を決定する、
請求項1に記載のバイオマーカー生成方法。 - 前記取得がパラメーター化されており、さらに
-少なくとも4つのエコー時間(TE)のサイクル数にわたって取得された複数の画像から再構成された画像の取得であって、エコー時間は、増加する持続時間に従って構成される、画像の取得;
-スピンエコーシーケンス;
-取得されたシグナルを予備飽和又は飽和させるシグナルを発することを目的とするパラメーター設定、
を含む請求項2に記載のバイオマーカー生成方法。 - 画像の第2の取得(ACQ2)が、肺ボリューム(VP)を概説する第1の構成(ConF1)によって行われ、第1の構成(ConF1)は、T1又はプロトン密度重み付け取得のパラメーター化を定義し、画像処理のステップが、T2重み付けで取得された画像と第2の取得(ACQ2)で取得した画像とを結合するために行われる、
請求項2又は3に記載のバイオマーカー生成方法。 - 超短エコー時間UTEによってT1重み付けして取得した少なくとも1つの画像と、T2重み付けして取得した少なくとも1つの画像とを結合する操作を行い、それぞれの取得画像からのデータを結合して肺ボリュームを区分した画像を生成する、
請求項4に記載のバイオマーカー生成方法。 - 前記基準閾値(SA)は、前記基準関数(FA)の基準分布値と、前記基準関数(FA)の標準偏差(бA)の値の10倍から20倍の間で構成される値と、の組み合わせから定められる、
請求項2~4のいずれか一項に記載のバイオマーカー生成方法。 - 前記基準関数(FA)の基準分布値は、肺ボリューム(VP)内でT2重み付けして取得した画像のシグナル強度値の分布のメインモード(MB)である、
請求項6に記載のバイオマーカー生成方法。 - 正規化するステップを含み、該正規化は、フィルタリングされたボリューム(VF)、フィルタリングされたボリュームから得られるボリューム(VF)及び肺ボリューム(VP)のシグナルの絶対値からシグナルのボリューム強度積(VIP)を計算することを含む、
請求項2~7のいずれか一項に記載のバイオマーカー生成方法。 - -MRI装置を用いた三次元画像の取得(ACQ)は以下によって構成され:
・プロトン密度(長いTR又は長いTE)又はT1重み付け、エコー時間(TE)(短いTR、短いTE)
・予め設定された閾値未満であるエコー時間;
-少なくとも1つのフィルタリング閾値の自動計算(S1、S2)は、以下の構成を有し:
・第1の関数(F1)の調整によって少なくとも2つのガウス関数(Fg1、Fg2)をモデル化(MODEL)し;
・第1のガウス関数(Fg1)と第2のガウス関数(Fg2)の交点の計算によって、第1の閾値と呼ばれるフィルタリングの閾値を決定し;
・第1のガウス関数(Fg1)の最小値及びボクセルのシグナル強度値の最小値に対応する第2の閾値(S2)を決定する;
-前記フィルタリングされたボリューム(VF)は、前記第1の閾値(S1)と前記第2の閾値(S2)との間で構成される前記第1のガウス関数(Fg1)によって定量化(Q1)されたボクセルに対応する第1のボリューム(V1)であって、前記ボクセルは空気媒体に対応し;
-前記第1の閾値(S1)及び前記第2の閾値(S2)から算出された肺ボリュームの三次元画像(VP)の値(S1,S2)を正規化し;
-正規化されたセグメント化されたボリュームの特性ボリューム(VC)の比率を示す第1のバイオマーカー(BIND1)を生成し、前記比率は、特性ボリューム(VC)と肺ボリューム(VF)との間で計算される、
請求項1に記載のバイオマーカー生成方法。 - 前記エコー時間が1ms以下である、
請求項9に記載のバイオマーカー生成方法。 - 前記セグメント化(SEG)は、前記第1の閾値(S1)よりも大きい第2のガウス関数(Fg2)により定量化(Q2)されたボクセルに対応する第2のボリューム(V2)の定義を含み、前記ボクセルは脂肪性又は中間媒質に対応する、
請求項9又は10に記載のバイオマーカー生成方法。 - 前記セグメント化(SEG)は、シグナル強度値が第3の予め定められた閾値(S3)よりも小さいフィルタリングされたボリューム(VF)のボクセルからなる特性ボリューム(VC)を抽出するステップを含み、前記第3の予め定められた閾値(S3)は[0;1]の正規化スケールで決められる、
請求項9~11のいずれか一項に記載のバイオマーカー生成方法。 - 前記セグメント化(SEG)は、同じ定量化(Q1、Q2、Q3)のボクセルの近傍から切断されたボクセルを除外/削除するステップを含む、
請求項11に記載のバイオマーカー生成方法。 - 前記ガウス関数(Fg1、Fg2)のモデリングは、以下を含む:
-一回限りのエンコード時間を短縮し、ノイズ除去のために放射状に取得することにより、取得された画像に適用されるガウス平滑化;
-ローカルフィルタを適用して輪郭を描くこと;
-ボクセルの分布の頻度を表す曲線調整法を用いること、
請求項9に記載のバイオマーカー生成方法。 - 第1関数(F1)により定量化された各ボクセルのシグナル強度値の取得(ACQ)を含み、強度値が画像コントラストデータに対応する、
請求項1~14のいずれか一項に記載のバイオマーカー生成方法。 - 前記取得(ACQ)は、レスピレーターと同期して行われ、前記レスピレーターは、ナビゲーター又は呼吸ベルトである、
請求項1~14のいずれか一項に記載のバイオマーカー生成方法。 - MRIによって取得された画像からボリューム画像を抽出するステップが実施され、前記抽出された画像は、シーケンスが決定された瞬間に実現される、
請求項1~16のいずれか一項に記載のバイオマーカー(BIND)生成方法。 - 前記三次元画像の取得(ACQ)は、取得された二次元画像の積み重なりによって行われ、断面の厚さは、少なくともボクセルの幅に等しい、
請求項1~17のいずれか一項に記載のバイオマーカー(BIND)生成方法。 - 請求項9に記載の、さらに請求項10~18のいずれか一項に記載の第1の取得及び第2の取得が、呼吸サイクル内で連続して行われ、各取得が、吸気及びそれぞれ呼気の特徴的なデータに同期され、さらに、以下のことを含む、
-同じ呼吸周期の各取得について、第1のバイオマーカー(BIND1)を生成し;
-同じ呼吸周期の各取得について、主体ボリュームVpの定量化を抽出し;
-前記第1の取得と前記第2の取得の間に生成された2つのバイオマーカーの補正された差を代表するボクセルを選択するために、これら2つの呼吸時間の間を弾性的に再設定する、
バイオマーカー生成方法。 - 前記2つの取得の間で選択された前記ボクセルの正規化された定量化を含む、
請求項19に記載のバイオマーカー生成方法。 - 前記取得は、時間単位あたりの前記第1のバイオマーカーの変動を予め定められた期間にわたって取得するように構成された四次元取得である、
請求項9~18のいずれか一項に記載のバイオマーカー生成方法。 - 前記四次元取得は、呼吸サイクルの持続時間に対応する時間単位でボクセルのボリュームを取得するように構成され、前記取得は、吸気及び/又は呼気の特徴的なデータと同期している、
請求項21に記載のバイオマーカー生成方法。 - 少なくとも計算機と、メモリと、MRIシステムによって取得された画像を受信するためのインターフェイスとを備えるシステムであって、前記システムは、請求項1~21のいずれか一項に記載の方法のステップを実施するように構成されている、
システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR1908734 | 2019-07-31 | ||
FR1908734A FR3099621B1 (fr) | 2019-07-31 | 2019-07-31 | Procede de generation d’un biomarqueur, systeme |
PCT/EP2020/065380 WO2021018439A1 (fr) | 2019-07-31 | 2020-06-03 | Procede de generation d'un biomarqueur, systeme |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2022543016A JP2022543016A (ja) | 2022-10-07 |
JPWO2021018439A5 true JPWO2021018439A5 (ja) | 2023-06-08 |
JP7509386B2 JP7509386B2 (ja) | 2024-07-02 |
Family
ID=69104555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022506318A Active JP7509386B2 (ja) | 2019-07-31 | 2020-06-03 | バイオマーカーを生成する方法、システム |
Country Status (7)
Country | Link |
---|---|
US (1) | US12045980B2 (ja) |
EP (1) | EP4004866A1 (ja) |
JP (1) | JP7509386B2 (ja) |
KR (1) | KR20220041902A (ja) |
CN (1) | CN114514554A (ja) |
FR (1) | FR3099621B1 (ja) |
WO (1) | WO2021018439A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029977B (zh) * | 2022-11-08 | 2024-03-15 | 安徽萍聚德医疗科技股份有限公司 | 测定胃肠动力标记物在结直肠传输时间的鉴定分析方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005278690A (ja) | 2004-03-26 | 2005-10-13 | Hiroshima Industrial Promotion Organization | コンピュータを用いた3次元胸部ct画像から結節状陰影を検出する方法およびその装置並びにコンピュータプログラム |
US7715608B2 (en) | 2004-08-10 | 2010-05-11 | Siemens Medical Solutions Usa, Inc. | System and method for 3D visualization of lung perfusion or density and statistical analysis thereof |
US8807109B2 (en) | 2009-11-06 | 2014-08-19 | Federal-Mogul Corporation | Steel piston with cooling gallery and method of construction thereof |
WO2013155358A1 (en) | 2012-04-11 | 2013-10-17 | The Trustees Of Columbia University In The City Of New York | Techniques for segmentation of lymph nodes, lung lesions and other solid or part-solid objects |
WO2015092622A2 (en) * | 2013-12-20 | 2015-06-25 | Koninklijke Philips N.V. | Density guided attenuation map generation in pet/mr systems |
JP6732340B2 (ja) | 2014-12-10 | 2020-07-29 | エレクタ、インク.Elekta, Inc. | 4次元画像情報を構成するための磁気共鳴投影 |
WO2017150497A1 (ja) * | 2016-03-02 | 2017-09-08 | 地方独立行政法人神奈川県立病院機構 | 肺野病変の診断支援装置、該装置の制御方法及びプログラム |
FR3057094B1 (fr) * | 2016-10-04 | 2019-09-20 | Universite Paris Descartes | Procede et dispositif de traitement d'au moins une image d'une partie donnee d'au moins un poumon d'un patient |
EP3503022A1 (en) * | 2017-12-20 | 2019-06-26 | Koninklijke Philips N.V. | System for assessing a pulmonary image |
JP7034306B2 (ja) * | 2018-08-31 | 2022-03-11 | 富士フイルム株式会社 | 領域分割装置、方法およびプログラム、類似度決定装置、方法およびプログラム、並びに特徴量導出装置、方法およびプログラム |
US11790524B2 (en) * | 2019-06-20 | 2023-10-17 | Ohio State Innovation Foundation | System and method for quantitative volumetric assessment and modeling of tumor lesions |
-
2019
- 2019-07-31 FR FR1908734A patent/FR3099621B1/fr active Active
-
2020
- 2020-06-03 WO PCT/EP2020/065380 patent/WO2021018439A1/fr unknown
- 2020-06-03 EP EP20728805.1A patent/EP4004866A1/fr active Pending
- 2020-06-03 US US17/631,258 patent/US12045980B2/en active Active
- 2020-06-03 CN CN202080065670.5A patent/CN114514554A/zh active Pending
- 2020-06-03 JP JP2022506318A patent/JP7509386B2/ja active Active
- 2020-06-03 KR KR1020227006986A patent/KR20220041902A/ko unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Woolrich et al. | Temporal autocorrelation in univariate linear modeling of FMRI data | |
Lassen et al. | Automatic segmentation of the pulmonary lobes from chest CT scans based on fissures, vessels, and bronchi | |
US10007985B2 (en) | Method for the automatic segmentation and quantification of body tissues | |
CN105520735A (zh) | 用于从视频确定呼吸速率的系统和方法 | |
CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和系统 | |
Huang et al. | When face recognition meets occlusion: A new benchmark | |
US20140079304A1 (en) | Method and System for Correction of Lung Density Variation in Positron Emission Tomography Using Magnetic Resonance Imaging | |
US20140079306A1 (en) | Region extraction apparatus, method and program | |
Kumar et al. | Anisotropic diffusion based unsharp masking and crispening for denoising and enhancement of MRI images | |
CN109410158B (zh) | 一种基于卷积神经网络的多焦点图像融合方法 | |
CN110870770A (zh) | 一种ICA-CNN分类的fMRI空间激活图平滑增广方法 | |
Karthikeyan et al. | Lungs segmentation using multi-level thresholding in CT images | |
CN110718301A (zh) | 基于动态脑功能网络的阿尔茨海默病辅助诊断装置及方法 | |
KR101126224B1 (ko) | 동적 mr 영상을 이용한 자동 전립선 분할 방법 및 시스템 | |
JPWO2021018439A5 (ja) | ||
Xie | 3D region proposal u-net with dense and residual learning for lung nodule detection | |
Ukwatta et al. | Three-dimensional semi-automated segmentation of carotid atherosclerosis from three-dimensional ultrasound images | |
Ivanovska et al. | Automatic trachea segmentation and evaluation from MRI data using intensity pre-clustering and graph cuts | |
JP7509386B2 (ja) | バイオマーカーを生成する方法、システム | |
Guo et al. | Retinal vessel segmentation using a finite element based binary level set method | |
Yadav et al. | Identification and removal of different noise patterns by measuring SNR value in magnetic resonance images | |
Carnecky et al. | Vortex Detection in 4D MRI Data: Using the Proper Orthogonal Decomposition for Improved Noise-Robustness. | |
Shalaby et al. | Probabilistic modeling of blood vessels for segmenting magnetic resonance angiography images | |
Campbell et al. | 3-dimensional throat region segmentation from MRI data based on fourier interpolation and 3-dimensional level set methods | |
CN112396579A (zh) | 基于深度神经网络的人体组织背景估计方法及装置 |